基于RBCNN-BiLSTM-Adaboost混合模型的智能配电网负荷预测评估OA

在分布式电源高比例并网背景下,准确预测区域负荷特征是智能配电网可靠运行的重要需求与保障。本文提出一种基于RBCNN-BiLSTM-Adaboost混合的智能配电网负荷预测评估模型。首先,利用基于残差块的卷积神经网络(Residual Block Convolutional Neural Networks, RBCNN)提取智能配电网负荷时间功率序列的局部特征。然后,采用条件受限玻尔兹曼机的隐藏层对负荷特征进行紧凑化处理,利用对比散度采样分析负荷序列深层信息。最后,构造BiLSTMAdaboost组合模型,迭代训练以预测智能配电网的负荷特征。基于巴拿马电网数据展开验证,结果显示,相比于传统RBCNN-BiLSTM-Adaboost、RBCNN-BiLSTM以及RBCNN-LSTM算法,本方法的预测误差分别低12.56%、13.51%和17.27%。相比于传统RBCNN-BiLSTM-Adaboost模型,本文模型运行时间平均可减少10.84%。此外,BiLSTM-Adaboost结构可降低过度训练的拟合风险,验证了本文方法在智能配电网区域负荷预测评估领域的应用潜力。